形态本体及其在地理空间数据发现中的应用研究

地理空间数据语义异构是实现数据关联、数据智能推荐和精确发现的主要瓶颈。地理空间数据本体被认为是解决地理空间数据语义异构的有效方法。形态特征是地理空间数据(除时空、要素内容外)的重要特征,是地理空间数据本体的重要研究内容。本文首先在系统分析地理空间数据形态特征的基础上,提出地理空间数据形态特征的概念体系。然后,建立地理空间数据形态本体模型,提出形态信息的本体表示方法,并构建地理空间数据形态本体。最后,基于形态本体的本体库,利用Jena本体推理技术,开发地理空间数据语义检索原型系统,并将形态本体应用于国家地球系统科学数据共享平台的元数据检索中。实验结果表明,地理空间数据形态本体可以有效地解决数据形态特征的语义异构,提高数据发现的查全率和查准率。本文的研究方法和成果对解决其他领域数据的语义异构,有重要的参考意义。     

基于SPKI/SDSI证书链搜索算法与访问控制模型设计

目前,PKI是解决信息安全问题的一种最成熟的技术手段,能够有效解决大部分安全问题,但是PKI无法实现网络上的资源控制。SPKI/SDSI可以有效解决资源控制问题,然而由于证书链搜索算法复杂度高,目前基于SPKI/SDSI设计的访问控制模型,都存在一定的问题。紧紧围绕受控资源的访问保护,基于SPKI/SDSI设计了一个高效的分布式访问控制模型,同时提出了一种新的证书链搜索算法,在海量证书库中能快速的查找证书链,并通过模拟实验,验证新的算法的效率,实验结果表明证书数量越大,文中的算法优势越明显。     

基于地理实体编码的多尺度表达空间数据联动更新技术

基于浙江省地理空间数据交换和共享平台的多比例尺空间数据库的建设和频繁更新工作实践,突破传统的数据库更新模式,介绍利用地理实体编码、变化发现等实现多尺度表达空间数据联动更新的关键技术。     

空间数据挖掘及其不确定性研究

简要论述空间数据的不确定性及其传播,SDM＆KDD的主要技术方法,以及SDM＆KDD过程及其结果的不确定性问题,如它的算法、处理、传播模型和质量评价等。     

奥陶系宝塔灰岩网纹构造成因研究进展及新发现

综述了扬子地区分布广泛的奥陶系宝塔灰岩网纹构造成因的研究进展,整合了多位学者的主要观点及认识,结合四川旺苍唐家河等地奥陶系剖面的考察与镜下薄片观察,对网纹构造及其成因进行了深入研究并提出未来研究方向的思考与建议。学界目前普遍认为这种网纹构造并非暴露干裂成因,生物遗迹、海底硬地、准同生变形构造等成因解释也缺乏足够的证据支持,但关于水下胶缩、成岩作用以及构造作用等解释仍在热烈讨论中;对四川广元旺苍唐家河剖面宝塔灰岩的野外考察过程中发现了一些新的现象,比如在灰色宝塔灰岩中观察到了非沥青充填的“黑色细纹”,网纹构造的形态、泥质含量等也随沉积旋回而呈现出规律性变化。进一步研究这些新的现象或许能为后期确定网纹构造的成因提供新的证据。     

基于大数据发现技术的国外地质信息服务跟踪

近年来,大数据越来越受到计算机、地质、生物、医学等诸多领域的关注且得到了广泛的应用。以世界主要发达国家地质信息服务跟踪为例,针对美、加、英、澳4国的主要地质调查网站及中国知网,运用地质大数据发现技术的网络爬虫方法,获取需求文本数据,进而分析文本内容,总结国外地质信息社会化服务现状。大数据发现技术在地质领域的合理运用,对快速、高效获取图片、文档等数据及降低信息获取成本具有一定的意义。     

虚拟技术在地震前兆技术系统中的应用

地震前兆技术系统长期稳定和可靠运行对管理人员来说至关重要,本文以山西前兆台网为例,基于VMware虚拟机搭建了地震前兆技术系统,并利用其快闪及克隆功能实现了地震前兆技术系统的快速备份及恢复,提升了地震前兆技术系统故障应急处置能力。     

天水锻压机床厂滑坡变形破坏机制及形成演化

天水锻压机床厂滑坡(1.4×106 m3)发生于1990年8月11日, 滑坡体主要由次生黄土组成, 滑床为第四系黄土和新近系泥岩, 滑坡沿黄土-泥岩接触面发生, 属黄土接触面滑坡。通过野外调查和工程钻探对锻压机床厂滑坡变形破坏机制及形成演化进行研究, 结果表明, 该滑坡变形破坏方式表现为滑移-拉裂式, 受区内二元斜坡结构控制, 是在工程切坡和降雨、灌溉等诱发因素作用下形成; 其形成演化经历了高陡边坡形成期→滑坡孕育期→滑动面贯通临界期→滑坡启动下滑堆积期→滑坡复活变形期等过程。该滑坡目前处于欠稳定状态, 遇地震或强降雨等作用, 极有可能再次复活下滑。研究成果可为该类滑坡的防治预警提供理论依据。      

Data-driven topo-climatic mapping with machine learning methods

Automatic environmental monitoring networks enforced by wireless communication technologies provide large and ever increasing volumes of data nowadays. The use of this information in natural hazard research is an important issue. Particularly useful for risk assessment and decision making are the spatial maps of hazard-related parameters produced from point observations and available auxiliary information. The purpose of this article is to present and explore the appropriate tools to process large amounts of available data and produce predictions at fine spatial scales. These are the algorithms of machine learning, which are aimed at non-parametric robust modelling of non-linear dependencies from empirical data. The computational efficiency of the data-driven methods allows producing the prediction maps in real time which makes them superior to physical models for the operational use in risk assessment and mitigation. Particularly, this situation encounters in spatial prediction of climatic variables (topo-climatic mapping). In complex topographies of the mountainous regions, the meteorological processes are highly influenced by the relief. The article shows how these relations, possibly regionalized and non-linear, can be modelled from data using the information from digital elevation models. The particular illustration of the developed methodology concerns the mapping of temperatures (including the situations of Föhn and temperature inversion) given the measurements taken from the Swiss meteorological monitoring network. The range of the methods used in the study includes data-driven feature selection, support vector algorithms and artificial neural networks.     

逻辑回归与支持向量机模型在滑坡敏感性评价中的应用

白龙江流域是我国滑坡泥石流灾害四大高发区之一,进行该区域滑坡敏感性评价,能够为决策者在灾害管理和设施建设规划方面提供帮助,对区域防灾减灾具有重要指导意义。本研究采用边坡单元为基本研究单元,在野外调查及前人研究基础上,选择控制该区域滑坡发育的19个要素作为影响因子; 经过主成分分析和独立性检验得到该区域对滑坡形成贡献最大的6个因子：高程、坡度、坡向、岩性、断裂距离和人口密度; 分别使用二元逻辑回归模型（LR）和支持向量机模型（SVM）对该区域进行滑坡敏感性评价; 最后,采用ROC曲线对模型精度进行验证。研究结果表明,两模型各能将38.76%、14.48%、9.40%、11.28%、26.07%和13.49%、21.61%、8.17%、26.70%、30.04%的边坡单元分别预测为极高危险区、高危险区、中度危险区、低危险区和极低危险区; 精度验证结果表明两种模型均能有效地进行该区域滑坡敏感性评价,并且支持向量机模型具有更好的分类能力、预测精度和稳定性。